Bibliographic record
Abstract
Dans cet article sont documentés les taux de césarienne constamment élevés, sauf dans les années 1980, des femmes nées en Afrique subsaharienne accouchant en France. Bien que leurs causes de migrations, conditions de vie en France et états de santé ne soient pas stables, elles représentent un groupe « homogène », réifié, dans les discours des soignants qui les catégorisent comme « Africaines ». Le choix d’étudier la césarienne est dû au fait que ce type de soins est une source de conflits entre les équipes hospitalières et les parturientes qui est révélatrice de phénomènes sociaux, et du fait qu’il a fait l’objet d’une littérature tant médicale qu’anthropologique et ethnopsychiatrique. Surtout, son étude sociologique dans le cadre d’une thèse m’a permis d’illustrer, en croisant méthodologies quantitative et qualitative, les processus d’ethnicisation et de racisation des patientes par les soignants de périnatalité. Est donc ici documenté en quoi l’usage de ces concepts permet une déconstruction du « bon sens » médical dont j’étais moi-même imprégnée dans ma pratique de sage-femme clinicienne. Grâce à cette approche, étayée d’une critique réflexive et enrichie des opinions de femmes interrogées, semblent se dessiner des possibilités d’amélioration de la qualité des soins à dispenser à ces femmes dans un contexte national où l’accouchement « normal » reste l’accouchement par les voies naturelles.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.007 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".